[发明专利]基于CT造影成像的活体动物下肢血管分割方法

摘要

本发明涉及一种基于CT造影成像的活体实验动物下肢血管分割方法。现有分割方法在小动物下肢血管分割中不适用。本发明得到活体小动物下肢区域的CT成像，去除下肢区域骨骼，进行稀疏加权和多尺度线性滤波，经归一化处理后进行Coarse到Fine血管分割。本发明的活体动物下肢血管分割方法可以完成活体动物下肢血管的全自动分割，并且本发明利用了CT图像的稀疏加权和多尺度线性滤波后的两种图像信息，弥补了传统基于灰度信息或者单一信息分割方法的不足，然后利用Coarse到Fine的分割方法，从而既节省时间，有能有效的完成血管的分割。

主权项

基于CT造影成像的活体动物下肢血管分割方法，其特征在于：由以下步骤实现：(1)活体动物下肢区域的CT成像：利用X光探测器采集活体动物下肢区域多个角度的投影数据；利用滤波反投影方法对投影数据进行重建，得到活体动物下肢区域的CT数据；(2)骨骼去除：对重建后的活体动物下肢区域的CT数据进行阈值分割，保证分割后的数据中包括完整的骨密质，所述骨密质为骨骼的外轮廓；对骨密质做图像填充处理得到骨骼；逐渐对骨骼进行膨胀处理，使得膨胀后的骨骼在视觉上恰好与CT重建后的骨骼完全重叠；将膨胀后的骨骼所对应的坐标点置为空气的灰度值，得到活体动物下肢区域骨骼去除的CT图像；(3)稀疏加权：(3a)计算骨骼去除的CT图像每个灰度级体素所占体素总数的比例Q_l；$Q_l=\frac{\left|\right\{\mathrm{\υ}|S\left(\mathrm{\υ}\right)=l\}}{N},l=1,...,L;$其中υ为体素，S(υ)为体素的灰度值，l为灰度级，N为体素总数；(3b)定义稀疏权重Wl；W_l＝P_l·exp(‑α(Q_l‑Q_m))，l＝1，...，L；其中Q_m为Q_l的中值，α为增强系数，控制着稀疏权重W_l对稀疏(血管)体素的增强程度，同时也控制着W_l对非稀疏(背景)体素的衰减程度；系数其中l_m为l的加权平均值，即$l_m=\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{Q}_l\·l,l=1,...,L;$(3c)稀疏加权后的图像为S_SW(υ)；$S_{\mathrm{SW}}\left(\mathrm{\υ}\right)=W_l\·S\left(\mathrm{\υ}\right)=\sqrt{\frac{l}{l_m}}\·\exp (-\mathrm{\α}(Q_l-Q_m))\·S\left(\mathrm{\υ}\right),l=1,...,L;$(4)多尺度线性滤波：(4a)计算骨骼去除的CT图像每个体素的Hessian矩阵；$H\left(\mathrm{\υ}\right)={\▿}^{2}G\left(\mathrm{\υ}\right)\⊗S\left(\mathrm{\υ}\right);$其中G(υ)为二维高斯函数，▽表示卷积，▽²为二阶导数算子；(4b)根据高斯函数的可分性，将▽²G(υ)分解为其两个一维基函数的乘积，Hessian矩阵H(υ)的计算由两个一维卷积进行简化计算；(4c)求Hessian矩阵H(υ)的特征值，得到三个特征值分别为λ₁,λ₂,λ₃,，那么线性滤波的结果为V(υ)；其中σ²值为高斯函数的方差，代表线性滤波的尺度；(4d)选取在不同尺度σ²下最大的线性滤波结果中的最大值V^*(υ)；$V^{*}\left(\mathrm{\υ}\right)=\mathrm{ma}{x}_{{\mathrm{\σ}}^2}\left\{V\left(\mathrm{\υ}\right)\right\};$(5)归一化处理对稀疏加权图像S_SW(υ)和线性滤波图像V^*(υ)按照下式进行归一化处理；$\left\{\begin{array}{c}{i}_{\mathrm{\υ}}=\frac{S_{\mathrm{SW}}\left(\mathrm{\υ}\right)-\min \left(S_{\mathrm{SW}}\left(\mathrm{\υ}\right)\right)}{\max \left(S_{\mathrm{SW}}\left(\mathrm{\υ}\right)\right)-\min \left(S_{\mathrm{SW}}\left(\mathrm{\υ}\right)\right)}\\ j_{\mathrm{\υ}}=\frac{V^{*}\left(\mathrm{\υ}\right)-\min \left(V^{*}\left(\mathrm{\υ}\right)\right)}{\max \left(V^{*}\left(\mathrm{\υ}\right)\right)-\min \left(V^{*}\left(\mathrm{\υ}\right)\right)}\end{array}\right.;$其中，i_υ∈[0,1]和j_υ∈[0,1]为归一化处理后的稀疏加权图像和线性滤波图像；(6)Coarse到Fine血管分割：(6a)定义分割目标函数F(i_υ,j_υ)；F(i_υ，j_υ)＝|{(i_υ，j_υ)∈Ω|(i_υ，j_υ)∈Λ}|‑τ|{(i_υ，j_υ)∈Ω|(i_υ，j_υ)∈Ω‑Λ}|；其中Ω为归一化的S_SW(υ)和V^*(υ)的全集空间，Λ为血管空间，补集Ω‑Λ为背景空间，τ为分割参数，取值越大，表示算法对噪声的敏感性越强；(6b)定义血管空间Λ；$\mathrm{\Λ}=\{(i_{\mathrm{\υ}},j_{\mathrm{\ω}})\∈\mathrm{\Ω}|\frac{1}{26}\underset{n=1}{\overset{26}{\mathrm{\Σ}}}{G}_{\mathrm{SW}}\left(H_n\left(\mathrm{\υ}\right)\right)\≥l_m\};$其中H_n(υ)，n＝1，...，26为体素υ的26邻居体素；(6c)采用Coarse到Fine策略求解目标函数F(i_υ,j_υ)取最大值时的分割结果υ_seg。